😀前言
在编程面试中,找出一个数组中最小的K个数是一个常见的问题。虽然看似简单,但要在高效性方面有所保证却并不容易。本文将介绍两种有效解决该问题的算法:基于堆的解法和快速选择算法。我们将详细讲解它们的实现方式、时间复杂度分析以及适用场景,帮助你在面试中从容应对这一问题。
🏠个人主页:尘觉主页
最小的 K 个数
题目链接
问题描述
给定一个长度为n的数组,数组中可能包含重复值。要求找出其中不去重的最小的k个数。例如,给定数组 [4,5,1,6,2,7,3,8]
和 k=4
,则返回 [1,2,3,4]
(任意顺序皆可)。
数据范围和要求
- 数据范围:0≤k,n≤10000,数组中每个数的大小在0到1000之间。
- 时间复杂度要求:O(nlogk)
- 空间复杂度要求:O(n)
方法一:基于堆的解法
堆是一种适合处理部分排序问题的数据结构。在本题中,我们使用大顶堆来维护最小的k个数。
具体思路
- 创建一个大小为k的大顶堆,用于存储当前找到的最小的k个数。
- 遍历数组元素,将每个元素加入大顶堆。
- 如果堆的大小超过k,则将堆顶元素移除。堆顶元素是堆中最大的数,这样可以确保堆中存储的都是当前最小的k个数。
在Java中,我们可以使用PriorityQueue
类实现堆,并在初始化时通过Lambda表达式(o1, o2) -> o2 - o1
来构建大顶堆。
import java.util.ArrayList;
import java.util.PriorityQueue;
public class Solution {
public ArrayList<Integer> GetLeastNumbers_Solution(int[] nums, int k) {
// 如果k大于数组长度或k小于等于0,直接返回空的结果
if (k > nums.length || k <= 0) {
return new ArrayList<>();
}
// 创建一个大顶堆,用于存储最小的k个数
PriorityQueue<Integer> maxHeap = new PriorityQueue<>((o1, o2) -> o2 - o1);
// 遍历数组中的每个元素
for (int num : nums) {
// 将元素加入大顶堆
maxHeap.add(num);
// 如果堆的大小超过k,移除堆顶元素(即最大元素)
if (maxHeap.size() > k) {
maxHeap.poll();
}
}
// 将堆中的元素转为ArrayList返回
return new ArrayList<>(maxHeap);
}
}
时间复杂度分析
在此算法中,维护堆的插入和删除操作的时间复杂度为O(logk)
。因此,遍历整个数组的时间复杂度为O(nlogk)
,最终的空间复杂度为O(k)
,这是由于堆的存储占用的空间。
适用场景
这种基于堆的解法特别适合处理大规模数据,尤其是当k较小且数据量n较大时,它的效率优势更加明显。
方法二:快速选择算法
快速选择算法基于快速排序的思想,通过分治法快速找到第k个最小的元素,并将前k个元素放在数组的前k个位置上。
具体思路
- 使用快速排序的partition()方法,将数组分割成两部分,其中一部分比选定的pivot小,另一部分比pivot大。
- 通过调整pivot的位置,可以快速定位到第k个最小的元素。
- 最终数组的前k个元素即为最小的k个数。
代码实现
import java.util.ArrayList;
public class Solution {
public ArrayList<Integer> GetLeastNumbers_Solution(int[] nums, int k) {
ArrayList<Integer> ret = new ArrayList<>();
// 如果k大于数组长度或k小于等于0,直接返回空的结果
if (k > nums.length || k <= 0) {
return ret;
}
// 使用快速选择算法找到第k个最小元素
findKthSmallest(nums, k - 1);
// 将前k个元素加入结果列表
for (int i = 0; i < k; i++) {
ret.add(nums[i]);
}
return ret;
}
// 快速选择算法,找到数组中第k个最小的元素
public void findKthSmallest(int[] nums, int k) {
int l = 0, h = nums.length - 1;
while (l < h) {
// 调用partition方法对数组进行分区
int j = partition(nums, l, h);
// 如果找到的分区位置正好是k,则停止
if (j == k) {
break;
}
// 如果分区位置大于k,调整高位指针
if (j > k) {
h = j - 1;
} else {
// 如果分区位置小于k,调整低位指针
l = j + 1;
}
}
}
// partition方法对数组进行分区,使得左边元素小于pivot,右边元素大于pivot
private int partition(int[] nums, int l, int h) {
int p = nums[l]; // 选取数组的第一个元素作为pivot
int i = l, j = h + 1;
while (true) {
// 从左向右找到第一个大于pivot的元素
while (i != h && nums[++i] < p);
// 从右向左找到第一个小于pivot的元素
while (j != l && nums[--j] > p);
// 如果左右指针交错,退出循环
if (i >= j) {
break;
}
// 交换这两个元素的位置
swap(nums, i, j);
}
// 最后将pivot放到正确的位置
swap(nums, l, j);
return j; // 返回pivot的位置
}
// 交换数组中两个元素的位置
private void swap(int[] nums, int i, int j) {
int t = nums[i];
nums[i] = nums[j];
nums[j] = t;
}
}
时间复杂度分析
快速选择算法的时间复杂度为O(n)
,空间复杂度为O(1)
,因为它直接在原数组上进行修改,而不需要额外的存储空间。
适用场景
这种方法在需要快速得到结果且允许修改数组的情况下非常有效。如果数组不可修改,建议使用堆的解法。
😄总结
通过对比,我们可以看到两种方法各有优劣。堆的解法适用于大规模数据和较小的k值场景,而快速选择算法在需要快速得到结果且允许修改数据时更加高效。根据具体需求选择适合的算法,能够更好地解决问题,提升面试表现。
😁热门专栏推荐
想学习vue的可以看看这个
等等等还有许多优秀的合集在主页等着大家的光顾感谢大家的支持
🤔欢迎大家加入我的社区 尘觉社区
文章到这里就结束了,如果有什么疑问的地方请指出,诸佬们一起来评论区一起讨论😁
希望能和诸佬们一起努力,今后我们一起观看感谢您的阅读🍻
如果帮助到您不妨3连支持一下,创造不易您们的支持是我的动力🤞